Тренды машинного обучения в 2022 году - исследование Google

Всем привет. Меня зовут Дмитрий Руденко. Я основатель сообщества SaaS Founders. Помогаю фаундерам IT-компаний находить новых крупных клиентов с помощью лидер-генерации в LinkedIn. Сегодня я предлагаю поговорить о трендах машинного обучения в 2022 году по результатам исследования Google. Google, одна из лидеров рынка машинного обучения, выпустила исследование по трендам, и давайте разберемся, что же нас ждет дальше. Как отметил Джефф Дин, старший научный сотрудник и вице-президент Google Research, в ближайшие несколько лет в отрасли грядет ряд научных прорывов. Дин выделил несколько трендов, в частности, пять трендов, которые мы озвучим сегодня, которые влияют и будут влиять на развитие машинного обучения в ближайшие годы. Первое, что в последние годы исследователи работают с все более мощными и крупными моделями машинного обучения. Например, в лингвистике несколько лет назад модели с миллиардами параметров тренировались на десятках миллиардов сегментов данных. Сегодня модели с сотнями, миллиардами или даже триллионами параметров тренируются на триллионах сегментах данных. И рост объемов данных и размеров самих моделей способствует увеличению точности выполнения различных языковых задач. Качество выходных данных в генеративных моделях тоже растет. Например, за последние годы эти модели научились создавать реалистичные изображения по описанию. Ну, например, посмотрите, можно взять маленькую картиночку ирландского сеттера и додумать это изображение, трансформировав его от низкого разрешения в более высокое. Причем повышая качество до достаточно высокого уровня. Причем, что самое интересное, что кроме передовых одномодальных моделей начинают появляться крупномасштабные мультимодальные. Что я имею в виду? Мультимодальные – это появляющиеся из какого-то одного измерения, например, данных только, либо язык, либо изображение, либо видео и так далее. Так вот сейчас наиболее крупные совершенные сети являются мультимодальные. Они понимают не только разные модальности, как язык, изображение, речь или видео, но выдают из них результат. Например, генерируют изображение на основании предложений или параграфов, или дают понятное описание визуальной составляющей изображения. Все это указывает на то, что вскоре появятся высокопроизводительные модели общего назначения, способные обрабатывать несколько модальностей данных и решать тысячи или даже миллионы задач. Причем в ближайшее время многие аспекты процесса разработки машинного обучения от оборудования до отдельных компонентов архитектуры можно сделать эффективнее, ведь каждое новое поколение ускорителей машинного обучения лучше предыдущего. Чипы становятся производительными, масштабы систем также увеличиваются. В частности, некоторые новые разработки стали возможными благодаря инновациям в области машинного обучения. Например, мобильные устройства стали лучше воспринимать контекст и ощущать в окружающую среду. И это важный фактор в развитии таких востребованных функций, как, например, мобильная фотография, живой перевод и так далее. Аналогично растет точность распознавания речи. Во многих языках улучшилось восприятие речи с акцентом, а также в шумных условиях и с наложением другого голоса. В частности, в одном из своих стартапов я очень четко вижу эти тренды, насколько модель Google стала совершеннее за буквально последние несколько лет. Опять же, не только в языке, не только в видео происходят изменения. В частности, в медицине машинное обучение позволяет воспроизвести нервную соединительную структуру тканей головного мозга на основании фотосрезов тканей. Аналогично используются прогнозирования в погоде, что дает более точный прогноз и позволяет уведомить жителей стран о наводнениях, опасности лесных пожаров и землетрясениях. Естественно, пользователи стремятся обеспечить справедливое и равноправное использование технологий. И это как бы основное из основных направлений деятельности группы Google. Естественно, что новые возможности дают нам больше дают нам больше срезов знаний, дают нам больше возможностей для понимания мира вокруг себя, да и самих нас. Вопрос только в том, где грань добра и зла в сборе и использовании этой информации. Хорошо, что мы знаем себя лучше благодаря этой информации. Это отлично. Для человечества то, что информация о нас и о таких же, как мы, собирается в некую единую общность, анализируется также лучше. Но хорошо ли, что Google или правительство, или еще кто-то, или банк, или еще какая-то другая корпорация знает о нас больше, чем мы бы хотели? Это вот не факт. Поэтому новые технологии ставят новые этические вопросы, с которыми мы уже сталкиваемся и с которыми мы будем сталкиваться дальше. И, наверное, не столько технологические, сколько этические вопросы в будущем будут ограничивать развитие, в частности, того же машинного обучения. Давайте посмотрим дальше. Как же используются Machine Learning и Artificial Intelligence в построении отношений и заключении контракта? С одной стороны, мы можем собирать все больше информации о наших потребителях и клиентах и лучше понимать, когда они хотят заключить контракт, когда у них возникает потребность и так далее. С одной стороны, машина помогает нам вовремя проконтактировать с человеком, но с другой стороны, мы очень четко видим, что в частности в B2B за последние несколько лет увеличилась потребность у клиентов, если мы говорим о клиентах в крупных контрактах, увеличилась потребность в живом общении. То есть, если раньше, например, по данным исследования того же Макинси, в 2016 году было достаточно 7-10 касаний человеческих, именно human interaction, я поговорил с вами, вы поговорили со мной, мы пообщались по телефону лично, видео и так далее, 7-10 касаний было необходимо для того, чтобы заключить крупный контракт, то сейчас это количество выросло до 17-20 касаний. То есть требуется гораздо большее количество человеческого общения для того, чтобы заключить контракт, в частности, обсудить, сделать оффер и так далее. Поэтому в какой-то степени технологии помогут нам находить клиентов быстрее, лучше и более гармонично выстраивать отношения. Но без личного контакта, без персонализированных сообщений, без живых, без видео, без живого общения, Крупные контракты, к сожалению, заключаться, или к счастью, не знаю, так оно как бы есть, заключаться не будут. Поэтому человеческое общение незаменимо. В частности, такие сети, как LinkedIn, специально ограничивают количество контактов между профилями для того, чтобы обеспечить высокое качество общения, для того, чтобы не роботы общались с роботами, а люди общались с людьми. Поэтому внимательно изучаем дальнейшие технологии и продолжаем развивать доверительные отношения с нашими потенциальными клиентами. На этом все. Спасибо за просмотр. Следите за следующими выпусками моих обзоров и подписывайтесь на SaaS Founders в социальных сетях. Всем крупных контрактов. Пока-пока.